评估磁共振图像质量指标与基于深度学习的脑瘤细分精度之间的关系
Rajarajeswari Muthusivarajan1, Adrian Celaya1,2, Joshua P Yung1
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, Texas, USA.
Medical physics
|April 19, 2024
概括
磁共振成像 (MRI) 图像质量指标 (IQM) 显著影响深度学习脑瘤细分. 在更高质量的MRI扫描上训练的模型,特别是那些具有更好的不均质测量的模型,显示出更好的准确性,这表明IQM选择提高了模型通用性.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 神经成像研究研究的神经成像.
背景情况:
- 磁共振成像 (MRI) 扫描容易产生影响图像质量和细分的工件和变化.
- 核磁共振图像质量指标 (IQM) 与细分精度之间的直接关系尚不清楚.
- 对脑瘤细分的深度学习 (DL) 模型严重依赖于训练MRI数据的质量.
研究的目的:
- 评估训练MRI数据的IQM与基于DL的脑瘤细分精度之间的关系.
- 通过使用IQM指导的培训数据选择,开发更多可通用的DL模型,用于多机构的脑瘤细分.
主要方法:
- 在BraTS 2020 MRI数据上训练了一个3D DenseNet模型进行脑瘤细分.
- 使用MRQy工具从MRI扫描中提取了13个IQM.
- 使用皮尔森相关性来识别与细分精度 (迪斯系数) 相关的IQM;模型在"更好的质量" (BQ) 和"更差的质量" (WQ) 图像集上受过训练/验证.
主要成果:
- 在BQ图像上训练的模型,特别是那些具有更好的不均度测量 (例如变化系数) 的模型,显示了显著改善的瘤细分精度.
- 相反,在具有更好的噪声指标 (峰值信号与噪声比率) 的WQ图像上训练的模型也显示出更好的细分.
- 这些趋势在独立的BraTS 2021测试集上得到了验证.
结论:
- 特定的MR IQM与基于DenseNet的大脑瘤细分的性能有显著的相关性.
- 选择基于IQM的MRI扫描进行培训,可以为看不见的数据带来更准确和更普遍的细分模型.
